Desempenho de Estimadores de Volatilidade Na Bolsa de Valores de Sao Paulo

Desempenho de Estimadores de Volatilidade na Bolsa de
Valores de São Paulo*

Bernardo de Sá Mota**
Marcelo Fernandes***
Sumário: 1. Introdução; 2. Descrição dos dados; 3. Volatilidade

realizada; 4. Modelos da famı́lia GARCH; 5. Medidas alternativas
de volatilidade; 6. Avaliação dos estimadores de volatilidade; 7.
Conclusão.
Palavras-chave: Martingal local; valor em risco; variação quadrá-
tica; variância realizada.
Códigos JEL: C22; G12.
O objetivo deste artigo é avaliar o desempenho de diferentes méto-
dos de extração da volatilidade do Índice da Bolsa de Valores de São
Paulo (IBOVESPA) tendo como referência a volatilidade realizada.
Comparamos modelos da famı́lia GARCH com estimadores alter-
nativos baseados em cotações de abertura, fechamento, máximo e
mı́nimo. Os resultados indicam que os estimadores alternativos são
tão precisos quanto os modelos do tipo GARCH, apesar de serem
muito mais econômicos em termos computacionais.
1. Introdução
O estudo da volatilidade tem grande importância na área de finanças, em
especial no apreçamento de derivativos e no gerenciamento de risco. A literatura
de extração de volatilidade inclui métodos com diversos graus de dificuldade de
implementação. O estimador mais simples é o desvio padrão histórico, que atribui
peso uniforme a todas as observações. Em contraste, o alisamento exponencial
(EWMA) aloca peso maior para as observações mais recentes, mas apresenta o
inconveniente da escolha arbitrária do grau de suavização. Os modelos da famı́lia
GARCH e de volatilidade estocástica, por não sofrerem destes problemas, são
bastante populares.
*
Artigo recebido em out. 2002 e aprovado em jul. 2003. Os autores são gratos a Osmani
Guillén, João Victor Issler, Hedibert Lopes, Guilherme Rocha e Pedro Saffi pelos comentários
e ao apoio financeiro prestado por CAPES, CNPq, FAPERJ, e PRONEX. Qualquer erro é de
exclusiva responsabilidade dos autores.
**
Máxima Asset Management. E-mail: bernardo mota@maximaasset.com.br
***
Escola de Pós-Graduação em Economia, Fundação Getulio Vargas. E-mail: mfernand@fgv.br
RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004
Page (PS/TeX): 1 / 429, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

430 Bernardo de Sá Mota, Marcelo Fernandes
Apesar da maioria dos estudos utilizando modelos do tipo GARCH e de volati-

lidade estocástica encontrarem coeficientes altamente significativos, estes modelos
exibem um fraco desempenho em termos de previsão do retorno futuro ao qua-
drado. Andersen e Bollerslev (1998) demonstram que o problema não reside no
poder de previsão dos modelos, mas sim na base de comparação. Apesar de ser
um estimador não viesado da variância, o retorno ao quadrado é não apenas alta-
mente volátil, mas também inconsistente. Andersen e Bollerslev sugerem, então,
uma base de comparação alternativa denominada variância realizada, que é um es-
timador assintoticamente livre de erro. Andersen e Bollerslev mostram ainda que
os modelos da famı́lia GARCH apresentam boas previsões da variância realizada.
Neste artigo, investigamos o desempenho dos estimadores alternativos de Gar-
man e Klass (1980) — doravante estimadores GK — na extração da volatilidade
do IBOVESPA através da metodologia desenvolvida por Andersen e Bollerslev
(1998). Mais especificamente, mensuramos a precisão das estimativas e previsões
de cada estimador GK com base na variância realizada do IBOVESPA. Os es-
timadores GK têm a facilidade de implementação como principal caracterı́stica,
pois dependem apenas de dados publicados diariamente nas seções de finanças
de qualquer jornal especializado: cotações de abertura, fechamento, máximo e
mı́nimo. Para efeito de comparação, examinamos também a acurácia dos modelos
do tipo GARCH, usualmente adotados pela literatura. Os resultados são de certa
forma surpreendentes, pois indicam que alguns estimadores GK têm desempenho
comparável aos dos modelos GARCH.
O restante do artigo está estruturado da seguinte forma. A seção 2 descreve
estatisticamente os dados. A seção 3 apresenta a metodologia da volatilidade rea-
lizada e a estimativa da volatilidade do IBOVESPA. As seções 4 e 5 apresentam as
estimativas dos modelos da famı́lia GARCH e as medidas alternativas de volatili-
dade de Garman e Klass (1980), respectivamente. A seção 6 avalia o desempenho
dos diversos estimadores em termos de aderência e previsão um passo a frente,
além da precisão das respectivas medidas de valor em risco. Finalmente, a seção
7 tece alguns comentários finais.

Desempenho de Estimadores de Volatilidade na Bolsa de Valores de São Paulo 431
2. Descrição dos Dados

Nesta seção apresentamos uma descrição estatı́stica dos dados utilizados e in-
troduzimos a notação empregada ao longo do artigo. Utilizamos as séries de
retornos diários de cotações de abertura, fechamento, máximos e mı́nimos, além
de uma série dos retornos intradiários do IBOVESPA à vista. Classificamos as
amostras da seguinte maneira: dados de retornos diários abrangendo o perı́odo de
01/08/1994 até 24/10/2001; cotações de abertura, fechamento, máximo e mı́nimo
para o perı́odo de 01/08/1994 até 24/10/2001 e, dados de retornos intradiários
cobrindo o perı́odo de 06/04/1998 a 24/10/2001.1 Os retornos intradiários foram
obtidos a partir da última cotação observada em cada intervalo de 15 minutos.
2.1 Série de retornos diários

Particionamos a amostra dos retornos diários em dois conjuntos. O primeiro
cobre o perı́odo de 01/08/1994 a 03/04/1998, e serve para a estimação dos parâ-
metros dos modelos da famı́lia GARCH, enquanto que realizamos previsão um
passo à frente na segunda sub-amostra (06/04/1998 a 24/10/2001). Considera-
mos, então, três subconjuntos da amostra para efeito de análise, as duas partições
mencionadas e a amostra completa. A figura 1 apresenta, além da evolução do
IBOVESPA (em log) entre agosto de 1994 e outubro de 2001, as respectivas séries
de retorno e de volatilidade realizada.
A figura 1 evidencia diferentes regimes de volatilidade na primeira sub-amostra,
validando a aplicação de modelos de heterocedasticidade condicional. O primeiro
regime consiste em um pequeno perı́odo de baixa volatilidade, seguido por um
perı́odo de alta volatilidade devido provavelmente à crise do México em dezem-
bro de 1994. A mudança da banda de flutuação da taxa de câmbio brasileira
em março de 1995 aparentemente não altera o regime de elevada volatilidade na
BOVESPA. Segue-se uma nova redução da volatilidade, que volta a se elevar so-
mente após a crise da Ásia em outubro de 1997. Percebemos ainda um perı́odo de
alta volatilidade associado à moratória da Rússia em agosto de 1998, seguido de
baixa volatilidade. Destacamos, finalmente, o forte impacto no grau de incerteza
causado pelo ataque terrorista em 11 de setembro.
1
Betina D. Martins (DEE, PUC-Rio) cedeu gentilmente uma série do IBOVESPA com amos-
tras em intervalos de 15 minutos (fonte: CMA).

Figura 1
Nı́vel, retorno e dispersão do ı́ndice da BOVESPA
10
7
10−10−1995 19−12−1996 04−03−1998 24−05−1999 04−08−2000 24−10−2001
0.6
0.4
0.2
−0.2
10−10−1995 19−12−1996 04−03−1998 24−05−1999 04−08−2000 24−10−2001
0.4
Retorno (valor absoluto)
0.3 Volatilidade Realizada
0.2
0.1
0
10−10−1995 19−12−1996 04−03−1998 24−05−1999 04−08−2000 24−10−2001
A tabela 1 documenta as principais estatı́sticas descritivas para as três sub-

amostras. Em comum, todas as sub-amostras rejeitam da hipótese de normalidade.
As estatı́sticas de Jarque-Bera e seus respectivos p-valores indicam a rejeição da
hipótese nula ao nı́vel de confiança de 99%. Como a rejeição é praticamente ditada
pelo excesso de curtose, a estimação de modelos de heterocedasticidade condici-
onal se mostra natural. Encontramos ainda evidência a favor de autocorrelação
tanto no primeiro subconjunto da amostra quanto na amostra inteira. A autocor-
relação foi detectada tanto pela estatı́stica Q de Ljung-Box quanto pela função de
autocorrelação amostral. Não encontramos nenhuma evidência de autocorrelação
no segundo subconjunto da amostra. Independentemente da amostra, a função
de autocorrelação amostral e a estatı́stica Q indicam evidência de autocorrelação
positiva na magnitude dos retornos.

Tabela 1
Estatı́sticas descritivas do retorno diário do IBOVESPA
08/94–03/98 04/98–10/01 08/94–10/01

Média 0,0011 0,0000 0,0006
Mediana 0,0027 -0,0005 0,0013
Desvio padrão 0,0276 0,0289 0,0282
Assimetria 0,1299 0,9308 0,5451
Curtose 11,2830 18,5123 15,1223
Máximo 0,2281 0,2882 0,2882
Mı́nimo -0,1622 -0,1723 -0,1723
Jarque-Bera 2.603,95 (0,0000) 8.818,00 (0,0000) 10.968,43 (0,0000)

Q1 (1) 6,5167 (0,0107) 0,0528 (0,8183) 3,6652 (0,0556)
Q1 (6) 34,9963 (0,0000) 7,0667 (0,3147) 27,9115 (0,0001)
Q2 (1) 39,1090 (0,0000) 77,9103 (0,0000) 127,7993 (0,0000)
Q2 (6) 302,2346 (0,0000) 124,5584 (0,0000) 322,9401 (0,0000)
Q2 (36) 473,0041 (0,0000) 175,2550 (0,0000) 477,2864 (0,0000)
Números entre parênteses indicam p-valores. Q1 (k) e Q2 (k) referem-se às
estatı́sticas de Ljung-Box para as séries de retorno e retorno
ao quadrado com k defasagens, respectivamente.
3. Volatilidade Realizada
Nesta seção, apresentamos a metodologia de extração de volatilidade desenvol-
vida por Andersen e Bollerslev (1998) assim como as estimativas resultantes. Re-
correremos a seguinte notação. Denotaremos o logaritmo do IBOVESPA avaliado
no instante t por pt . Considerando m observações por dia, os retornos intradiários
serão escritos como rm,t ≡ pt − pt− 1 , onde t = 1/m, 2/m, . . . O retorno diário é
m
então r1,t ≡ pt − pt−1 . Em tempo contı́nuo, o retorno instantâneo é simplesmente
rt ≡ limm→∞ rm,t ≡ dpt , enquanto que a sua variância instantânea é σt2 .
3.1 Metodologia
Para que possamos fazer uso dos resultados de Andersen e Bollerslev (1998),
temos que fazer certas hipóteses sobre o processo gerador dos dados. Assumiremos
que o IBOVESPA é gerado por uma difusão
dpt = µt dt + σt dWt (1)

em que:
µt é um componente de arrastamento càdlàg (contı́nuo à direita, com limite à
esquerda);
σt um processo estocástico estritamente estacionário de volatilidade, e

Wt um movimento Browniano padrão. O processo descrito em (1) é extremamente

flexı́vel e geral, permitindo volatilidade estocástica e um arrastamento caracteri-
zado por saltos (Andersen et alii, 2003). Nelson (1990) mostra inclusive que, no
limite em tempo contı́nuo, os modelos GARCH convergem para processos de di-
fusão que são casos particulares de (1).
Por simplicidade, vamos assumir que o termo de arrastamento µt é nulo em
(1). Podemos, então, escrever o preço em t da seguinte maneira
Z t
pt = p0 + σs dWs (2)
0
Os retornos amostrais intradiários, então, são

1
Z t Z
m
rm,t = pm,t − pm,t− 1 = σs dWs = σt− 1 +τ dWt− 1 +τ (3)
m 1 m m
t− m 0
onde t = 1/m, 2/m, . . .
Assumindo independência entre Wt e σ©t e condicionando

ªt+1 a esperança matemá-
tica no caminho amostral da volatilidade σs2 s=t , temos que
h ¯© ª i
t+1
E r1,t+1 ¯ σs2 s=t = 0 (4)
¯
Ademais,
h ¯© ªt+1 i Z t+1
2
Var r1,t+1 σs2 s=t = σs2 ds,
¯
¯
t
devido à isometria de Itô. Portanto, podemos afirmar que

¯© ª
t+1
r1,t+1 ¯ σs2 s=t ∼ N (0, Ωt+1 ) (5)
¯
R1 2
onde Ωt+1 ≡ 0 σt+τ dτ é a variância integrada. Como não é observável, precisa-
mos estimar a variância integrada.
Assumindo que cada dia possui m observações intradiárias, obtemos
 2
m
X m
X m X
X m
2 2
r1,t+1 ≡ rm,t+ j  = rm,t+ j + 2 rm,t+ j rm,t+ i (6)
m m m m
j=1 j=1 j=1 i=j+1

Combinando (5) e (6), chega-se a

 2 
m ¯© ª ³ ¯© ª ´
 ¯¯ σs2 t+1  = E r1,t+1 ¯ 2 t+1
X
2
E  r j
m,t+ m s=t ¯ σs s=t = Ωt+1
j=1
e, portanto,
 2 
m
X ¡ 2 ¢
E  rm,t+ j   = E r1,t+1 = E (Ωt+1 )
m
j=1
³P ´2
m 2
Logo, j=1 rm,t+ m
j e r1,t+1 são ambos estimadores não tendenciosos da variân-
2
cia Ωt+1 . O estimador clássico r1,t+1 apresenta, no entanto, um sério inconveniente.
Por apresentar variância constante independentemente do tamanho da amostra, o
estimador clássico é inconsistente.
Se a série de retornos não apresenta autocorrelação,
 
Xm
¡ 2 ¢ 2
E r1,t+1 = E  rm,t+ j
 (7)
m
j=1
2
Pm 2
onde σ̂m,t ≡ j=1 rm,t+ j é o estimador de variância realizada. Andersen e Bol-
m
lerslev (1998) demonstram que, na ausência de autocorrelação serial, a variância
realizada satisfaz
µZ 1 ¶
2 2
plimm→∞ σt+τ dτ − σ̂m,t =0 (8)
0
Em outras palavras, a variância realizada é um estimador consistente para a

variância integrada (ver Andersen et alii (2003)). Denomina-se volatilidade re-
alizada a raiz quadrada positiva da variância realizada.
Oomen (2001) ilustra a diferença entre os dois estimadores no caso discreto,
2
concluindo que a variância realizada σ̂m,t é mais precisa que o estimador clássico
2
r1,t . Enquanto que o último envolve ruı́do na estimação da volatilidade diária,
o primeiro é livre de erros de medida quando m é suficientemente grande. En-
tretanto, se os intervalos de observação dentro do dia forem muito pequenos (m
muito grande), podemos ter viés na estimativa devido aos fenômenos de micro-
estrutura (por exemplo, ausência de liquidez). Portanto, existe um problema de
escolha do intervalo de amostragem. Os trabalhos empı́ricos na literatura situam

a freqüência ótima entre 5 e 25 minutos. Adotamos uma freqüência de 15 minu-

tos devido à indisponibilidade de dados intradiários em maior freqüência e ao fato
dos testes de Ljung-Box indicarem autocorrelação significativa em apenas 15% dos
dias estudados.
Na verdade, a presença de autocorrelação não invalida a metodologia econo-
métrica que utilizamos, pois Bandorff-Nielsen e Shephard (2003) demonstram a
consistência da variância realizada sob condições mais gerais. Mais especifica-
mente, eles supõem que o retorno segue um semi-martingal do tipo r∞,t = µt + ξt ,
onde o componente de arrastamento µt tem variação limitada em qualquer sub-
intervalo finito do intervalo [0, ∞), e ξt é um martingal local (por exemplo, dξt =
σt dWt ). Desta maneira, permite-se que os retornos intradiários sejam correlaciona-
dos e ainda assim mantém-se a propriedade de consistência da variância realizada.
Neste artigo, escreveremos a variância realizada da seguinte maneira:
32
X
2 2
σ̂32,t = r32,t+j/32 , t = 1, . . . , 867 (9)
j=1
onde 32 indica o número de observações intradiárias e 867 o número de dias obser-

vados. Apresentamos a volatilidade realizada na figura 1, que ilustra bem o fato
2 é superior a variância do estimador de
que a variância do estimador clássico r1,t
variância realizada.
4. Modelos da Famı́lia GARCH

O objetivo desta seção é apresentar as estimativas e previsões obtidas a par-
tir dos modelos da famı́lia GARCH. Analisamos duas formas para a equação da
média condicional do retorno. Na primeira, a volatilidade não afeta a média,
enquanto que, na segunda, permitimos esta possibilidade. A introdução de um
termo relacionando a variância condicional com a média condicional tem um forte
apelo econômico. Agentes avessos ao risco exigem uma compensação em termos
de retorno, de acordo com o grau de risco do ativo.
Como encontramos sinais de dependência temporal nos retornos diários na
segunda seção, especificamos um modelo auto-regressivo para a média condicional.
Temos então a seguinte forma funcional
r1,t = ϕ + δr1,t−1 + θσt|t−1 + εt (10)

³ ´
2
¯
onde εt ¯Ψt−1 ∼ N 0, σt|t−1 e Ψt−1 é o conjunto de informação disponı́vel no
instante t − 1 de tempo.2
O primeiro modelo define uma estrutura ARCH para a função cedástica. O
segundo considera efeitos GARCH objetivando modelar de forma mais parcimoni-
osa a estrutura de autocorrelação. Estes dois modelos, entretanto, não capturam o
efeito alavancagem segundo o qual choques negativos têm um impacto maior na vo-
latilidade que choques positivos. Estimamos, então, modelos EGARCH e TARCH
no intuito de capturar esse tipo de assimetria. Consideramos duas versões de cada
modelo: θ livre e θ = 0 em (10). Os modelos irrestritos (θ variando livremente)
são individuados por um M adicional.
Utilizamos os critérios de informação de Akaike e de Schwarz, e o teste de razão
de verossimilhança para selecionar a estrutura de defasagens mais adequada. Re-
alizamos as comparações separadamente para cada um dos modelos: ARCH(-M),
GARCH(-M), EGARCH(-M) e TARCH(-M). O processo de seleção resultou nas
seguintes especificações: ARCH(-M)(7), GARCH(-M)(3,3), EGARCH(-M)(3,2) e
TARCH(-M)(1,1). Para maiores detalhes, ver Mota e Fernandes (2002).
A partir dos modelos estimados, podemos estimar a volatilidade em cada ins-
tante do tempo e realizar previsões um passo à frente. Para a análise fora da
amostra, estimamos o modelo até o perı́odo t e fazemos a previsão para o perı́odo
t + 1. Em t + 1, reestimamos o modelo e fazemos a previsão para t + 2, e assim
por diante. A figura 2 apresenta a volatilidade estimada pelos modelos do tipo
EGARCH(-M) utilizando a amostra completa, enquanto que a figura 3 exibe as
previsões um passo à frente.3
2
Como a estatı́stica de Ljung-Box apresenta resultados diferentes de acordo ao perı́odo ana-
lisado, também estimamos recursivamente o coeficiente auto-regressivo da média condicional.
Apesar das estimativas estabilizarem apenas após a desvalorização cambial em fevereiro de 1999,
a variação não se mostra significativa nos nı́veis usuais de significância. Resolvemos, então, manter
a especificação dada por (10).
3
Reportamos, a seguir, apenas os resultados obtidos pelos modelos EGARCH por apresenta-
rem o melhor desempenho na famı́lia GARCH. Os demais resultados podem ser encontrados em
Mota e Fernandes (2002).

Figura 2
Estimativas da variância
EGARCH(3,2) EGARCH−M(2,3)
0.1 0.1
0.05 0.05
0 0
1998 1999 2000 2001 2002 1998 1999 2000 2001 2002
GK4 GK5
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
1998 1999 2000 2001 2002 1998 1999 2000 2001 2002
Volatilidade realizada
0.2
0.15
0.1
0.05
0
1998 1999 2000 2001 2002
Para avaliar as diversas especificações da função cedástica, investigamos os

resı́duos padronizados η̂t ≡ ε̂t /σ̂t|t−1 . Não encontramos evidência de correlação
serial, indicando que o modelo auto-regressivo de primeira ordem para a média
condicional é suficiente para capturar a autocorrelação do IBOVESPA. Não há
evidência de correlação serial nas séries dos resı́duos padronizados ao quadrado
nos modelos ARCH e EGARCH, indicando que estes modelos capturam bem o
agrupamento de volatilidade. Encontramos, porém, uma fraca autocorrelação de
segunda ordem nos quadrados dos resı́duos padronizados dos modelos GARCH e
TARCH.

Figura 3
Previsões da variância
EGARCH(3,2) EGARCH−M(3,2)
0.1 0.1
0.08 0.08
0.06 0.06
0.04 0.04
0.02 0.02
0 0
1998 1999 2000 2001 2002 1998 1999 2000 2001 2002
GK4−ARMA(2,2) Volatilidade realizada

0.2 0.12
0.1
0.15
0.08
0.1 0.06
0.04
0.05
0.02
0 0
1998 1999 2000 2001 2002 1998 1999 2000 2001 2002
Realizamos ainda um teste de normalidade condicional dos resı́duos padroniza-

dos pensando na aplicação do modelo Gaussiano de valor em risco. Em particular,
testamos se η̂t ∼ N (0, 1) através do teste de Jarque-Bera. Os resultados rejeitam a
hipótese nula ao nı́vel de significância de 5% corroborando os coeficientes de assi-
metria e curtose dos resı́duos padronizados na tabela 2. Deste modo, calcularemos
o valor em risco na seção 6.1 a partir da distribuição empı́rica dos resı́duos padro-
nizados em vez de assumir, como usualmente feito na literatura, normalidade.
5. Medidas Alternativas de Volatilidade

Apresentamos, nesta seção, os estimadores GK, que extraem medidas de volati-
lidade considerando apenas dados usualmente publicados na seção de finanças
de jornais especializados. Garman e Klass (1980) assumem o seguinte processo
gerador de dados
dpt = σdWt (11)

onde a volatilidade σ é constante. Como (11) é uma caso particular de (1), a

metodologia que empregamos para avaliar as estimativas de volatilidade é bastante
natural e conveniente.
5.1 Estimadores
Denote por f a fração do dia em que a bolsa está fechada. Sejam os preços
de abertura, máximo, mı́nimo e fechamento do dia t dados por Ct , Ot , Ht e
Lt , respectivamente. Defina ainda as cotações de máximo, mı́nimo e fechamento
normalizadas pelo preço de abertura como ut = Ht −Ot , dt = Lt −Ot e ct = Ct −Ot ,
respectivamente.
O primeiro estimador abordado por Garman e Klass (1980) é o estimador
clássico
GK0,t ≡ (Ct − Ct−1 )2 = r1,t

2
(12)
Este estimador foi utilizado durante muito tempo na literatura para avaliar as
estimativas derivadas de modelos do tipo GARCH por proporcionar um estimador
não viesado da variância. Andersen e Bollerslev (1998) demonstram entretanto que
(12) envolve considerável erro de medida.
O segundo estimador adiciona informação sobre a cotação de abertura:
(Ot − Ct−1 )2 c2t

GK1,t = + (13)
2f 2(1 − f )
Definindo a eficiência relativa de um estimador em relação ao estimador clássico
GK0,t a partir da razão entre suas variâncias, Garman e Klass (1980) mostram
que GK1,t traz ganhos de eficiência ao reduzir em 50% a variância da estimativa.
O terceiro estimador, atribuı́do a Parkinson (1980), procura aproveitar da in-
formação contida nas cotações de mı́nimo e máximo assumindo que o mercado
opera de forma contı́nua (f = 0):
(ut − dt )2
GK2,t = (14)
4 log 2
Garman e Klass (1980) demonstram que este estimador é bem mais eficiente que
o anterior, pois utiliza informação sobre o que ocorreu dentro do dia e não apenas
uma foto do inı́cio (ou fim) de um dia de transação. Seguindo a mesma linha de
Parkinson (1980), Garman e Klass chegam a um estimador ainda mais eficiente
usando não apenas as cotações de máximo e mı́nimo, mas também de abertura e
fechamento:

(Ot − Ct−1 )2 (ut − dt )2

GK3,t = a + (1 − a) (15)
f 4 log 2(1 − f )
onde a é uma constante. Garman e Klass argumentam que a = 0, 17 minimiza a
variância de (15).
Garman e Klass buscam ainda um estimador não viesado com menor variância
na classe de estimadores invariantes à escala para f = 0. O melhor estimador
analı́tico invariante à escala é dado por
GK4,t = 0, 511(ut − dt )2 − 0, 019[ct (ut + dt ) − 2ut dt ] − 0, 383c2t (16)

Garman e Klass apresentam uma modificação de GK4 , que elimina os produtos
cruzados em (16):
GK5,t = 0.5(ut − dt )2 − (2 log 2 − 1)c2t (17)

Este estimador apresenta quase a mesma eficiência que GK4,t , mas tem a vantagem
de ser mais prático.
O último estimador promove uma simples alteração em GK4,t para levar em
consideração a fração 0 < f < 1 em que o mercado se encontra fechado:
(Ot − Ct−1 )2 GK4,t

GK6,t = a + (1 − a) (18)
f 1−f
Segundo Garman e Klass (1980), a = 0, 12 minimiza a variância de (18), tornando-
o mais eficiente que GK4 .
A segunda linha da figura 2 apresenta as estimativas de volatilidade obtidas a
partir dos estimadores alternativos de melhor desempenho, a saber, (16) e (17).
As demais estimativas evidenciam uma evolução similar, porém mais errática, da
volatilidade diária. Para maiores detalhes, ver Mota e Fernandes (2002).
5.2 Previsão um passo à frente

O maior inconveniente dos estimadores GK é a ausência de dinâmica, em con-
traste com os modelos da famı́lia GARCH. Assim, para realizar previsões com base
nestes estimadores, temos que assumir algum tipo de dinâmica para o processo da
volatilidade. Podemos pensar nesta dinâmica como uma tentativa de captar o
fluxo de informações do mercado.
As evidências de agrupamento de volatilidade sugerem o emprego de modelos
do tipo ARMA:

p
X q
X
GKi,t = ω + βj GKi,t−j + ²t + α` ²t−` , i = 0, . . . , 6 (19)
j=1 `=1
onde ²t é um ruı́do branco. Experimentamos quatro modelos alternativos [AR(1),

AR(2), ARMA(1,1) e ARMA(2,2)] para a dinâmica da volatilidade conforme me-
dida pelos estimadores GK.4 A figura 3 exibe a previsão um passo à frente com
melhor performance dentre os estimadores alternativos GK: (16) com dinâmica
ARMA(2,2).5
Assim como no caso dos estimadores da famı́lia GARCH, testamos a normali-
dade dos resı́duos padronizados. Os resultados do teste de Jarque-Bera na tabela
2 sugerem a rejeição da hipótese de normalidade dos resı́duos padronizados ao
nı́vel de 5% de significância. Em particular, os resı́duos padronizados exibem leve
assimetria e um elevado excesso de curtose. Ademais, notamos que os retornos
padronizados dos modelos GARCH apresentam um menor excesso de curtose, mas
maior assimetria, que os retornos padronizados pelos estimadores alternativos de
volatilidade.
Tabela 2
Estatı́stica descritivas dos retornos padronizados
Jarque-Bera Assimetria Curtose

EGARCH(2,3) 82,4896 (0,0000) -0,2312 4,4395
EGARCH-M(2,3) 115,011 (0,0000) -0,2939 4,6858
GK4 -ARMA(2,2) 832,134 (0,0000) 0,2620 7,7735
Variância realizada 7,4322 (0,0243) 0,1238 2,6197
Os p-valores seguem entre parênteses.
6. Avaliação dos Estimadores de Volatilidade

Nesta seção, confrontamos as estimativas e previsões derivadas dos modelos da
famı́lia GARCH e dos estimadores alternativos tomando a variância realizada como
referência. Para simplificar a exposição, omitiremos os resultados dos modelos de
4
Conforme assinalado por um parecerista anônimo, os modelos da famı́lia ARMA não são
teoricamente convenientes neste contexto por não garantirem, a priori, a positividade da volati-
lidade. A alternativa natural seria aplicar os modelos ARMA ao logaritmo das estimativas GK
de volatilidade. Embora sejam um pouco mais complicadas de serem computadas, as previsões
um passo à frente são qualitativamente muito semelhantes àquelas obtidas a partir de (19). Ade-
mais, as estimativas indicam uma probabilidade extremamente baixa de violação da restrição de
positividade em (19).
5
Ver Mota e Fernandes (2002) para as previsões um passo à frente resultantes dos demais
estimadores e dinâmicas.

pior desempenho. Os resultados completos estão disponı́veis em Mota e Fernandes

(2002).
Adotamos três medidas de desempenho: (1) raiz do erro quadrático médio
(REQM ), (2) erro absoluto médio (EAM ), e (3) desempenho dos estimadores
quando aplicados à extração do valor em risco (VaR). Uma alternativa seria con-
siderar o apreçamento de opções para avaliar o desempenho dos estimadores de
volatilidade. A idéia consiste em montar uma carteira de opções e verificar qual
estimador de volatilidade proporciona um maior retorno. Andrade (1996) realiza
um estudo desse gênero para uma carteira de opções de Telebrás, concluindo que
os estimadores GK não apresentam bons resultados. Entretanto, White (2000)
critica exatamente esse tipo de análise por ser fortemente dependente de uma
única realização do processo estocástico gerador dos dados e sugere um teste de
realidade calcado em técnicas de reamostragem.6
As duas primeiras medidas de desempenho, REQM e EAM , dão uma noção
do quão distante estão as estimativas da variância realizada:
" T
#1/2
1 X¡ 2
¢2
REQM (x) = xt − σ̂32,t (20)
T
t=1
T
1 X ¯ 2 ¯
¯
EAM (x) = ¯xt − σ̂32,t (21)
T
t=1
© 2 ªT
onde σ̂32,t t=1
é a série de variância realizada, T o número de dias na amostra,
e {xt }Tt=1 a série de estimativas ou previsões da variância de um determinado
modelo.
As estimativas de volatilidade mais precisas na classe GARCH advém do mo-
delo EGARCH-M(2,3) segundo ambas as medidas. Entre os estimadores alterna-
tivos, GK4 e GK5 desempenham melhor de acordo aos critérios REQM e EAM ,
respectivamente. No geral, os melhores resultados advém do modelo EGARCH-
M(2,3) e do estimador GK5 (ver tabela 3). Ao considerarmos a qualidade de
previsão, os modelos EGARCH(2,3) e GK4 -ARMA(2, 2) apresentam a melhor per-
formance segundo ambas as medidas em suas respectivas classes (ver tabela 4).
Em resumo, apesar de extremamente simples, o modelo GK4 -ARMA(2, 2) tem um
desempenho, no mı́nimo, comparável aos modelos da famı́lia GARCH.
6
Ver Saffi (2003) para uma aplicação do teste de realidade de White (2000) para o IBOVESPA
futuro.

Tabela 3
Desempenho das estimativas da variância do IBOVESPA
Estimativa REQM EAM

EGARCH(2,3) 0,0674 0,0387
EGARCH-M(2,3) 0,0641 0,0385
GK4 0,0678 0,0221
GK5 0,0684 0,0221
Tabela 4
Desempenho das previsões da variância do IBOVESPA
Previsão REQM EAM

EGARCH(2,3) 0,0677 0,0400
EGARCH-M(2,3) 0,0682 0,0402
GK4 -ARMA(2,2) 0,0710 0,0289
6.1 Valor em risco

Define-se o valor em risco (VaR) como a perda esperada máxima, em um
dado horizonte de tempo, a um certo nı́vel de confiança. Temos, portanto, dois
parâmetros de escolha, o horizonte de tempo e o nı́vel de confiança. Consideramos,
a seguir, um horizonte de um dia apenas e três nı́veis de confiança: 90%, 95% e
99%.
Seja p1,t o logaritmo do preço do ativo no dia t e
r1,t ≡ ∆p1,t = p1,t − p1,t−1
o seu retorno correspondente. Para calcularmos o valor em risco, precisamos es-

pecificar uma estrutura probabilı́stica para o retorno diário. A abordagem pa-
ramétrica, por exemplo, assume usualmente normalidade condicional:
r1,t − δr1,t−1 − θσt ¯Ψt−1 ∼ N 0, σt2

¯ ¡ ¢
(22)
Devido à rejeição da hipótese de normalidade condicional, adotaremos uma abor-

dagem semiparamétrica, substituindo a distribuição normal padrão pela distri-
buição empı́rica F̂ dos resı́duos padronizados.7
Definimos, então, a medida VaR1,t como
7
Ver Mota e Fernandes (2002) para os resultados da análise de valor em risco sob a hipótese
de normalidade condicional.

£ ¯ ¤
Pr r1,t − δr1,t−1 − θσt < −VaR1,t ¯Ψt−1 = α (23)
onde 1 − α é o nı́vel de confiança do intervalo. Seja x∗α tal que α = F̂ (x∗α ), logo
VaR1,t = x∗α σt . Calculamos as previsões do VaR diário ao nı́vel de confiança de
90%, 95% e 99% para todos os modelos do tipo GARCH e estimadores GK. Apre-
sentamos na figura 4 apenas as previsões baseadas respectivamente nos modelos
EGARCH(-M) e GK4 -ARMA(2, 2) ao nı́vel de confiança de confiança de 95%. Os
demais resultados estão disponı́veis em Mota e Fernandes (2002).
Figura 4
Valor em risco
VaR − EGARCH(2,3) − IC 95% VaR − EGARCH−M(2,3) − IC 95%

0 0
−0.05 −0.05
−0.1 −0.1
−0.15 −0.15
−0.2 −0.2
1998 1999 2000 2001 2002 1998 1999 2000 2001 2002
VaR − GK4 − IC 95% GK5 − IC 95%
0 0
−0.05 −0.05
−0.1 −0.1
−0.15 −0.15
−0.2 −0.2
1998 1999 2000 2001 2002 1998 1999 2000 2001 2002
Volatilidade realizada − IC 95%
0
−0.05
−0.1
−0.15
−0.2
1998 1999 2000 2001 2002
Para avaliarmos a qualidade das previsões do VaR, conduzimos um exercı́cio

de backtesting. Mais precisamente, determinamos intervalos de confiança para o
número de vezes que observa-se uma perda maior do que a prevista, isto é, o
número de falhas do VaR. Sob a hipótese de correta especificação do modelo, a
freqüência relativa (absoluta) de falhas deve ser aproximadamente 0,10 (87 vezes),
0,05 (44 vezes) e 0,01 (9 vezes), conforme o nı́vel de confiança.
Aos nı́veis de confiança de 90% e 95%, os modelos EGARCH(-M) e TARCH-
M são os únicos com bom desempenho dentro da classe GARCH. Ao nı́vel de

confiança de 99%, observamos uma melhora substancial, pois todos modelos do

tipo GARCH se situam dentro do intervalo de confiança. No caso dos estimadores
alternativos, GK4 e GK5 apresentam sempre excelentes resultados, com número
de falhas dentro do esperado independentemente do nı́vel de confiança. Ao nı́vel de
confiança de 90%, todas as combinações estimador-dinâmica exibem um número
de falhas compatı́vel com o esperado. Ao nı́vel de confiança de 95%, apenas os
GK2 e GK3 não apresentam bons resultados. Ao nı́vel de confiança de 99%, os
modelos baseados em GK2 , GK3 e GK6 não se mostram adequados. Em resumo,
mais uma vez, os estimadores GK4 e GK5 apresentam um desempenho, ao menos,
comparável aos dos modelos do tipo GARCH (ver tabela 5).
Tabela 5
Desempenho das previsões da variância do IBOVESPA em termos de VaR
Número de falhas
Previsão 90% 95% 99%
EGARCH(3,2) 89 43 9
EGARCH-M(3,2) 84 44 99
TARCH(1,1) 89 48 7
TARCH-M(1,1) 88 47 8
GK4 -ARMA 78 40 14
Os intervalos de confiança de 10%, 5% e 1%
são [72,101], [31,56] e [2,17], respectivamente.
7. Conclusão
Neste artigo, estimamos uma medida de volatilidade para o IBOVESPA, ainda
não utilizada em trabalhos para o mercado brasileiro, denominada variância reali-
zada. O estimador de variância realizada encerra duas propriedades importantes
– ausência de viés e consistência – em contraste com o estimador clássico dado
pelo retorno ao quadrado, que é inconsistente, apesar de não viesado.
Comparamos as estimativas de modelos da famı́lia GARCH com aquelas ob-
tidas através dos estimadores GK com base na volatilidade realizada, de maneira
análoga a Andersen e Bollerslev (1998). Concluı́mos que, em geral, os estima-
dores GK4 e GK5 apresentam resultados comparáveis aos dos modelos do tipo
GARCH, apesar de serem muito mais simples. O excelente desempenho dos es-
timadores GK abre novos horizontes para a análise de causalidade na variância.
Os modelos GARCH multivariados são extremamente difı́ceis de serem estimados,
enquanto que uma análise calcada em variâncias realizadas exigiria uma base de
dados intradiários. Os estimadores GK são facilmente calculados a partir de da-

dos diários de fácil acesso, a saber cotações de fechamento, abertura, máximo e

mı́nimo. Com efeito, pretendemos investigar padrões de causalidade na variância
entre os principais mercados financeiros da América Latina a partir de um modelo
vetor auto-regressivo para as estimativas GK.
Referências
Andersen, T. G. & Bollerslev, T. (1998). Answering the skeptics: Yes, standard
volatility models do provide accurate forecasts. International Economic Review,
39:885–905.
Andersen, T. G., Bollerslev, T., Diebold, F. X., & Labys, P. (2003). Modeling and
forecasting realized volatility. Econometrica, 71:579–625.
Andrade, S. C. (1996). Estimação da volatilidade para hedge de carteiras de

opções: Um teste de eficiência. Dissertação de Mestrado, Escola de Pós-
Graduação em Economia, Fundação Getulio Vargas.
Bandorff-Nielsen, O. E. & Shephard, N. (2003). How accurate is the asymptotic

approximation to the distribution of realised volatility? In Andrews, D., Powell,
J., Ruud, P., & Stock, J., editors, Identification and Inference for Econometric
Models. A Festschrift for Tom Rothenberg. Econometric Society Monograph Se-
ries, Cambridge University Press.
Garman, M. B. & Klass, M. J. (1980). On the estimation of security price volati-

lities from historical data. Journal of Business, 53:67–78.
Mota, B. S. & Fernandes, M. (2002). Desempenho de estimadores de volatilidade

na Bolsa de Valores de São Paulo. Ensaios Econômicos 458, Fundação Getulio
Vargas.
Nelson, D. (1990). ARCH models as diffusion approximations. Journal of Econo-

metrics, 45:7–38.
Oomen, R. (2001). Using high frequency stock market index data to calculate,
model and forecast realized return variance. Working Paper ECO 2001/6, Eu-
ropean University Institute.
Parkinson, M. (1980). The extreme value method for estimating the variance of
the rate of return. Journal of Business, 53:61–65.

Saffi, P. A. C. (2003). Análise técnica – sorte ou realidade? Revista Brasileira de

Economia, 57:953–974.
White, H. (2000). A reality check for data snooping. Econometrica, 68:1097–1126.

Desempenho de Estimadores de Volatilidade Na Bolsa de Valores de Sao Paulo

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Desempenho de Estimadores de Volatilidade Na Bolsa de Valores de Sao Paulo

Hochgeladen von

Copyright:

Verfügbare Formate

Desempenho de Estimadores de Volatilidade na Bolsa de

Valores de São Paulo*

Sumário: 1. Introdução; 2. Descrição dos dados; 3. Volatilidade

RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004

Page (PS/TeX): 1 / 429, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

Apesar da maioria dos estudos utilizando modelos do tipo GARCH e de volati-

RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004

Page (PS/TeX): 2 / 430, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

2. Descrição dos Dados

2.1 Série de retornos diários

RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004

Page (PS/TeX): 3 / 431, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

A tabela 1 documenta as principais estatı́sticas descritivas para as três sub-

RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004

Page (PS/TeX): 4 / 432, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

08/94–03/98 04/98–10/01 08/94–10/01

Jarque-Bera 2.603,95 (0,0000) 8.818,00 (0,0000) 10.968,43 (0,0000)

dpt = µt dt + σt dWt (1)

RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004

Page (PS/TeX): 5 / 433, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

Wt um movimento Browniano padrão. O processo descrito em (1) é extremamente

Os retornos amostrais intradiários, então, são

onde t = 1/m, 2/m, . . .

Assumindo independência entre Wt e σ©t e condicionando

devido à isometria de Itô. Portanto, podemos afirmar que

Assumindo que cada dia possui m observações intradiárias, obtemos

RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004

Page (PS/TeX): 6 / 434, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

Combinando (5) e (6), chega-se a

Em outras palavras, a variância realizada é um estimador consistente para a

RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004

Page (PS/TeX): 7 / 435, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

a freqüência ótima entre 5 e 25 minutos. Adotamos uma freqüência de 15 minu-

onde 32 indica o número de observações intradiárias e 867 o número de dias obser-

4. Modelos da Famı́lia GARCH

r1,t = ϕ + δr1,t−1 + θσt|t−1 + εt (10)

RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004

Page (PS/TeX): 8 / 436, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004

Page (PS/TeX): 9 / 437, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

Para avaliar as diversas especificações da função cedástica, investigamos os

RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004

Page (PS/TeX): 10 / 438, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

GK4−ARMA(2,2) Volatilidade realizada

Realizamos ainda um teste de normalidade condicional dos resı́duos padroniza-

5. Medidas Alternativas de Volatilidade

dpt = σdWt (11)

RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004

Page (PS/TeX): 11 / 439, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

onde a volatilidade σ é constante. Como (11) é uma caso particular de (1), a

GK0,t ≡ (Ct − Ct−1 )2 = r1,t

(Ot − Ct−1 )2 c2t

RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004

Page (PS/TeX): 12 / 440, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

(Ot − Ct−1 )2 (ut − dt )2

GK4,t = 0, 511(ut − dt )2 − 0, 019[ct (ut + dt ) − 2ut dt ] − 0, 383c2t (16)

GK5,t = 0.5(ut − dt )2 − (2 log 2 − 1)c2t (17)

(Ot − Ct−1 )2 GK4,t

5.2 Previsão um passo à frente

RBE Rio de Janeiro 58(3):429-448 JUL/SET 2004

Page (PS/TeX): 13 / 441, COPYRIGHT (c) 2002 NUCLEO DE COMPUTACAO DA EPGE

onde ²t é um ruı́do branco. Experimentamos quatro modelos alternativos [AR(1),

Jarque-Bera Assimetria Curtose